CN110943768A - 一种毫米波大规模mimo系统的混合预编码码本联合设计方法 - Google Patents

Abstract

本发明公开了一种毫米波大规模MIMO系统的混合预编码码本联合设计方法，主要包括：步骤1：根据所选信道模型生成初始训练集，并设置初始模拟码本；步骤2：采用重构算法计算出每个最优预编码矩阵对应的数字预编码矩阵；步骤3：基于字典学习算法更新初始模拟码本和对应的数字预编码；步骤4：重复步骤2,3直至收敛；步骤5：采用聚类算法得出最终数字预编码码本，模拟预编码码本即为更新得到的F_A。本发明通过采用压缩采样匹配追踪算法与字典学习结合的方式，能够降低重构过程中的误差，生成了与最优无约束预编码更接近的模拟预编码矩阵和数字预编码矩阵集合所构成的模拟码本和数字码本，提高了毫米波大规模MIMO系统频谱效率。

Description

一种毫米波大规模MIMO系统的混合预编码码本联合设计方法

技术领域

本发明属于5G毫米波大规模MIMO通信系统领域，特别涉及一种毫米波大规模MIMO系统的混合预编码码本联合设计方法。

背景技术

在第五代移动通信系统中，毫米波大规模MIMO(Multiple Input MultipleOutput，多输入多输出)技术成为了其关键技术。其中毫米波频段有着丰富的频谱资源，但路径损耗严重，而大规模MIMO技术通过增加阵列增益能够显著克服毫米波传输衰落严重的问题；大规模MIMO技术能够增大系统容量，但天线阵列过于庞大，而毫米波技术能够减少天线之间的距离，从而缩小天线阵列的物理尺寸，两种技术联合使用互为补充。

大规模MIMO系统中的ISI(inter stream interference，流间干扰)和MUI(multiuser interference，多用户干扰)相比于传统MIMO系统更加严重，所以预编码技术作为一种消除ISI和MUI的有效手段在5G系统中变得尤为重要。根据实现方式，预编码可以分为数字预编码和模拟预编码。

传统的MIMO系统采用的是全数字预编码方案，即每根天线对应着一个射频链路，但如果在毫米波大规模MIMO系统中也采用该方案，则发送端的硬件成本和能耗将会非常高，这对于实际通信系统来说是不可取的。模拟预编码虽然仅能改变信号的相位，性能比数字预编码差，但通过利用低成本的移相器来控制每根天线发射信号的相位，因此模拟预编码比数字预编码在经济方面更加有优势。二者结合的混合预编码技术能够在使用少于发送天线数的射频链路数和较小的性能损失的情况下克服上述问题，且能够抵抗多径衰落，减少数据流之间的干扰，从而提高频谱效率。

在FDD(频分双工)系统中采用预编码技术时,受到上行链路反馈带宽的限制，一般采用基于码本的预编码方案。通过提前生成多个预编码矩阵组成码本，在接收端通过估计得到的信道状态信息(CSI)，从码本中选取出合适的预编码矩阵，并将矩阵的序号反馈给发送端，而不需要将整个信道的CSI进行反馈，减少了反馈开销。新近提出的一种混合预编码方案，其将毫米波信道近似为稀疏信道，从而把混合预编码的构造问题转化成了一个稀疏近似问题，通过重构算法来生成数字预编码矩阵，再利用字典学习同时迭代更新模拟码本和数字码本，最后采用聚类算法生成指定码本大小的数字预编码码本。该方法中采用OMP重构算法得到的数字预编码矩阵误差较大，导致最终系统的频谱效率降低。基于此，本发明对重构算法部分进行了改进，减小了误差，提高了系统的频谱效率。

发明内容

本发明的目的在于，针对现有技术毫米波大规模MIMO系统的混合预编码方法生成的数字预编码矩阵误差较大、系统的频谱效率低的不足，提供一种毫米波大规模MIMO系统的混合预编码码本联合设计方法，通过采用字典学习与重构算法结合的方式来构造数字码本和模拟码本，其中采用的重构算法是压缩采样匹配追踪算法，减小了误差，提高了采用混合预编码码本的毫米波大规模MIMO系统的频谱效率。

为解决上述技术问题，本发明所采用的技术方案是：

一种毫米波大规模MIMO系统的混合预编码码本联合设计方法，其特点是包括以下步骤：

步骤1，根据信道模型随机生成N_tr个信道样本H，并计算出各信道样本对应的最优无约束预编码F_opt(i)，1≤i≤N_tr，其中，F_opt(i)表示第i个信号样本对应的最优无约束预编码；组成初始训练集Y＝[F_opt(1),F_opt(2),…,F_opt(N_tr)]；

步骤2，设置初始模拟码本F_A＝[a_t(2π/N₁),a_t(2π/N₁*2),…,a_t(2π)]，z＝1，迭代次数num，模拟预编码码本大小为N₁，数字预编码码本大小为N₂；其中，a_t表示发射天线阵列响应向量；

步骤3，根据步骤4～13计算出各F_opt(i)，以及对应的扩展之后的数字预编码矩阵

其中限制条件如下所示；

其中N_t ^RF为射频链路的数目；

步骤4，初始化

t＝1，重构迭代次数S，残差F_res＝F_opt，其中

表示空集；

步骤5，计算Φ＝F_A’*F_res；

步骤6，选出矩阵ΦΦ’对角线上值最大的2N_S个数对应的序号组成集合θ₁，θ₁＝{k|(ΦΦ’)_(k,k)}；

步骤7，从模拟码本F_A中选取出相应的列组成矩阵A_t，A_t＝F_A(:,θ)，其中θ＝Ω∪θ₁；

步骤8，采用最小二乘法计算出数字预编码矩阵F_BB；

F_BB＝(A'_t*A_t)^-1*A'_t*F_opt；

步骤9，选出矩阵F_BBF_BB’对角线上值最大的N_S个数对应的序号组成集合θ₂，θ₂＝{q|(F_BBF_BB’)_(q,q)}；

步骤10，令Ω＝θ(:,θ₂)，从集合θ中选出相应的N_S个序号；

步骤11，按照下式更新残差F_res；

F_res＝F_opt-F_A(:,θ₂)*F_BB(θ₂,:)；

步骤12，令t＝t+1，判断残差F_res＝0与t＞S两个条件之一是否满足，若否则返回步骤5继续迭代，若是则停止迭代进入步骤13；

步骤13，将F_BB(θ₂,:)扩展为

即

中非Ω的行元素全为零，集合Ω中序号对应的行为F_BB(θ₂,:)中相应的元素组成；

步骤14，令

可得Y＝F_A*X；

步骤15，采用字典学习算法更新模拟码本F_A的每一列；

步骤16，令z＝z+1，判断z与num之间的大小关系，若z≤num，则返回步骤3继续迭代，否则进入步骤17；

步骤17，由最终得到的数字码本集合X，采用聚类算法得出码本大小为N₂的最终数字预编码码本，模拟预编码码本即为更新得到的F_A。

作为一种优选方式，聚类算法为Lloyd聚类算法。

作为一种优选方式，所述步骤1中，对信道矩阵H进行SVD分解得到最优无约束预编码矩阵F_opt按照以下公式进行：

F_opt＝V(:,1:N_S)

H＝U∑V^H

其中，U为矩阵H进行SVD分解得到的左奇异矩阵，V为矩阵H进行SVD分解得到的右奇异矩阵，∑为奇异值组成的对角矩阵。

与现有技术相比，本发明通过采用压缩采样匹配追踪算法与字典学习结合的方式，能够降低重构过程中的误差，生成了与最优无约束预编码更接近的模拟预编码矩阵和数字预编码矩阵集合所构成的模拟码本和数字码本，提高了毫米波大规模MIMO系统频谱效率，并且在不同射频链路数目的情况下，采用本发明算法的频谱效率都要优于现有技术中的采用OMP算法与字典学习结合的算法。

附图说明

图1为毫米波大规模MIMO混合预编码系统框图。

图2为基于码本的预编码工作流程图。

图3为本发明方法流程图。

图4为本发明所述方法、采用OMP(正交匹配追踪算法)算法和字典学习结合的方法、最优无约束预编码方法三种方法的频谱效率(SE)关于信噪比(SNR)变化的仿真曲线对比图。

图5为本发明所述方法、采用OMP算法和字典学习结合的方法、最优无约束预编码方法三种方法的频谱效率(SE)关于射频链路数目(N_t ^RF)变化的仿真曲线对比图。

具体实施方式

下面将结合附图和实施例对本发明做进一步地说明。

在本实例中，仿真采用的通信系统为毫米波大规模MIMO混合预编码系统，发射天线数N_t为64，接收天线数N_r为32，射频链路数N_t ^RF为8，数据流数N_s为3，信道簇数Ncl为4，每个簇径数为20，为了方便仿真，我们假设每个簇功率相等，且其中相应的径的离开角和到达角都相同，角度扩展为6，信道样本数N_tr为5000，模拟预编码码本大小N₁为64，数字预编码码本N₂也为64，迭代次数num为10，S为8，系统框图如图1所示，其中预编码部分采用的是基于码本的预编码方案，其具体工作流程如图2所示。

采用混合预编码方案的毫米波大规模MIMO系统，其频谱效率的表达式如下：

其中R为频谱效率，

为单位矩阵，ρ为平均接收功率，σ_n为标准差，N_S为数据流数，H为信道矩阵，F_RF表示模拟预编码矩阵，F_BB表示数字预编码矩阵。

最大化频谱效率等效于最小化混合预编码矩阵与最优无约束预编码矩阵的欧氏距离，其数学表达式如下，

其中F_opt表示最优无约束预编码矩阵，C_FRF表示模拟预编码器的所有可行集。F_RF(m,n)表示模拟预编码矩阵中的第m行、第n列的元素。

由上可知，为了使得混合预编码矩阵与最优预编码矩阵的欧氏距离最小，最大化系统频谱效率，构造数字预编码码本和模拟预编码码本成为了重中之重。

如图3所示，本发明所述的毫米波大规模MIMO系统的混合预编码码本联合设计方法，包括以下步骤：

步骤1，根据基于角度扩展的Saleh-Valenzuela信道模型，随机生成N_tr个信道样本H，并计算出各信道样本对应的最优无约束预编码F_opt(i)，1≤i≤N_tr，其中，F_opt(i)表示第i个信号样本对应的最优无约束预编码；组成初始训练集Y＝[F_opt(1),F_opt(2),…,F_opt(N_tr)]。

步骤2，设置初始模拟码本F_A＝[a_t(2π/N₁),a_t(2π/N₁*2),…,a_t(2π)]，z＝1，迭代次数num，模拟预编码码本大小为N₁，数字预编码码本大小为N₂；其中，a_t表示发射天线阵列响应向量；a_t具体表示为：

其中，k＝2π/λ，λ为波长，d＝λ/2为天线间距。

步骤3，根据步骤4～13计算出各F_opt(i)，以及对应的扩展之后的数字预编码矩阵

其中限制条件如下所示；

其中N_t ^RF为射频链路的数目。

本发明中，利用步骤4到步骤13替代了现有技术中的正交匹配追踪算法(OMP)，并与字典学习算法相结合。

步骤4，初始化

t＝1，重构迭代次数S(设置了迭代上限次数S，避免迭代陷入死循环)，残差F_res＝F_opt，其中

表示空集；其中，Ω是一个中间集合，t用来计算迭代次数。

步骤5，计算Φ＝F_A’*F_res。

步骤6，选出矩阵ΦΦ’对角线上值最大的2N_S个数对应的序号组成集合θ₁，θ₁＝{k|(ΦΦ’)_(k,k)}。

步骤7，从模拟码本F_A中选取出相应的列组成矩阵A_t，A_t＝F_A(:,θ)，其中θ＝Ω∪θ₁。

步骤8，采用最小二乘法计算出数字预编码矩阵F_BB。

F_BB＝(A'_t*A_t)^-1*A'_t*F_opt

步骤9，选出矩阵F_BBF_BB’对角线上值最大的N_S个数对应的序号组成集合θ₂，θ₂＝{q|(F_BBF_BB’)_(q,q)}。

步骤10，令Ω＝θ(:,θ₂)，从集合θ中选出相应的N_S个序号；即，从集合θ中选出N_S个列，这些列的序号是θ₂包括的。

步骤11，按照下式更新残差F_res；

F_res＝F_opt-F_A(:,θ₂)*F_BB(θ₂,:)

步骤12，令t＝t+1，判断残差F_res＝0与t＞S两个条件之一是否满足，若否则返回步骤5继续迭代，若是则停止迭代进入步骤13；即，如果t≤S，则返回步骤5继续迭代，如果t＞S或者残差F_res＝0则停止迭代进入步骤13。

步骤13，将F_BB(θ₂,:)扩展为

即

中非Ω的行元素全为零，集合Ω中序号对应的行为F_BB(θ₂,:)中相应的元素组成。

步骤14，令

可得Y＝F_A*X。

步骤15，采用字典学习算法更新模拟码本F_A的每一列。

步骤16，令z＝z+1，判断z与num之间的大小关系，若z≤num，则返回步骤3继续迭代，否则进入步骤17。

步骤17，由最终得到的数字码本集合X，采用聚类算法得出码本大小为N₂的最终数字预编码码本，模拟预编码码本即为更新得到的F_A。

所述步骤17中，聚类算法为Lloyd聚类算法等。

所述步骤1中，对信道矩阵H进行SVD分解得到最优无约束预编码矩阵F_opt按照以下公式进行：

F_opt＝V(:,1:N_S)

H＝U∑V^H

其中，U为矩阵H进行SVD分解得到的左奇异矩阵，V为矩阵H进行SVD分解得到的右奇异矩阵，∑为奇异值组成的对角矩阵。

图4为本发明方法与采用OMP(正交匹配追踪算法)算法和字典学习结合的方法，以及最优无约束预编码方法的频谱效率(SE)关于信噪比(SNR)变化的仿真曲线对比图，图5为本发明方法与采用OMP算法和字典学习结合的方法，以及最优无约束预编码方法的频谱效率(SE)关于射频链路数目(N_t ^RF)变化的仿真曲线对比图。从图4和图5中可以看出，在相同条件下，与OMP算法和字典学习结合的方法相比，本发明在相同信噪比的条件下，系统的频谱效率比OMP算法和字典学习结合的方法要高，并且在低信噪比的情况下，本发明的频谱效率更大甚至接近最优无约束预编码；在不同的射频链路数配置下，采用本发明的系统的频谱效率都要优于OMP算法和字典学习结合的方法。

从本文中所描述的具体实例可以看出，本发明方法通过改进OMP算法和字典学习结合的方法中重构算法的部分，使得最终生成的混合预编码矩阵与最优无约束预编码矩阵更加接近，从而进一步提高了毫米波大规模MIMO混合预编码系统的频谱效率。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是局限性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (3)

1.一种毫米波大规模MIMO系统的混合预编码码本联合设计方法，其特征在于，包括以下步骤：

步骤1，根据信道模型随机生成N_tr个信道样本H，并计算出各信道样本对应的最优无约束预编码F_opt(i)，1≤i≤N_tr，其中，F_opt(i)表示第i个信号样本对应的最优无约束预编码；组成初始训练集Y＝[F_opt(1),F_opt(2),…,F_opt(N_tr)]；

步骤2，设置初始模拟码本F_A＝[a_t(2π/N₁),a_t(2π/N₁*2),…,a_t(2π)]，z＝1，迭代次数num，模拟预编码码本大小为N₁，数字预编码码本大小为N₂；其中，a_t表示发射天线阵列响应向量；

步骤3，根据步骤4～13计算出各F_opt(i)，以及对应的扩展之后的数字预编码矩阵

其中限制条件如下所示；

其中N_t ^RF为射频链路的数目；

步骤4，初始化

t＝1，重构迭代次数S，残差F_res＝F_opt，其中

表示空集；

步骤5，计算Φ＝F_A’*F_res；

步骤6，选出矩阵ΦΦ’对角线上值最大的2N_S个数对应的序号组成集合θ₁，θ₁＝{k|(ΦΦ’)_(k,k)}；

步骤7，从模拟码本F_A中选取出相应的列组成矩阵A_t，A_t＝F_A(:,θ)，其中θ＝Ω∪θ₁；

步骤8，采用最小二乘法计算出数字预编码矩阵F_BB；

F_BB＝(A′_t*A_t)^-1*A′_t*F_opt；

步骤9，选出矩阵F_BBF_BB’对角线上值最大的N_S个数对应的序号组成集合θ₂，θ₂＝{q|(F_BBF_BB’)_(q,q)}；

步骤10，令Ω＝θ(:,θ₂)，从集合θ中选出相应的N_S个序号；

步骤11，按照下式更新残差F_res；

F_res＝F_opt-F_A(:,θ₂)*F_BB(θ₂,:)；

步骤12，令t＝t+1，判断残差F_res＝0与t＞S两个条件之一是否满足，若否则返回步骤5继续迭代，若是则停止迭代进入步骤13；

步骤13，将F_BB(θ₂,:)扩展为

即

中非Ω的行元素全为零，集合Ω中序号对应的行为F_BB(θ₂,:)中相应的元素组成；

步骤14，令

可得Y＝F_A*X；

步骤15，采用字典学习算法更新模拟码本F_A的每一列；

步骤16，令z＝z+1，判断z与num之间的大小关系，若z≤num，则返回步骤3继续迭代，否则进入步骤17；

步骤17，由最终得到的数字码本集合X，采用聚类算法得出码本大小为N₂的最终数字预编码码本，模拟预编码码本即为更新得到的F_A。

2.如权利要求1所述的毫米波大规模MIMO系统的混合预编码码本联合设计方法，其特征在于，所述步骤17中，聚类算法为Lloyd聚类算法。

3.如权利要求1所述的毫米波大规模MIMO系统的混合预编码码本联合设计方法，其特征在于，所述步骤1中，对信道矩阵H进行SVD分解得到最优无约束预编码矩阵F_opt按照以下公式进行：

F_opt＝V(:,1:N_S)

H＝U∑V^H

其中，U为矩阵H进行SVD分解得到的左奇异矩阵，V为矩阵H进行SVD分解得到的右奇异矩阵，∑为奇异值组成的对角矩阵。

Images